مقایسه الگوریتم های مختلف طبقه‌بندی تصاویر ماهواره ای در تهیه نقشه کاربری اراضی (مطالعه موردی: شهرستان نور)

نقشه کاربری اراضی یکی از فاکتور های اساسی در مطالعات منابع طبیعی و مدیریت محیط زیست می باشد. اغلب تهیه نقشه کاربری اراضی یک منطقه یکی از پر هزینه ترین بخش های پروژه های زیست محیطی و منابع طبیعی است. داده های ماهواره ای یکی از سریع ترین و کم هزینه ترین روش های در اختیار محققان جهت تهیه نقشه کاربری اراضی می باشد. در سال های اخیر محققان از روش های مختلفی نقشه کاربری اراضی را با استفاده از این داده ها تهیه کرده اند. روش های مختلفی جهت طبقه بندی تصاویر ماهواره ای وجود دارد. هر یک از روش ها دارای معایب و مزایایی می باشند. تحقیق حاضر با هدف تعیین بهترین روش طبقه بندی تصاویر سنجنده etm+ از بین 9 روش طبقه بندی نظارت شده جهت استخراج نقشه کاربری اراضی شهر نور صورت گرفت. نتایج نشان داد که روش طبقه بندی ماشین بردار پشتیبان با میانگین ضرایب کلی و کاپا به ترتیب 90/94 درصد و 0/9503 نسبت به    روش های دیگر دارای دقت بالاتری است. اولویت دقت روش های 9 گانه به ترتیب به صورت، ماشین بردار پشتیبان، شبکه عصبی، فاصله ماهالانویی، حداکثر احتمال، حداقل فاصله از میانگین، نقشه زاویه طیفی، واگرایی اطلاعات طیفی، سطوح موازی و در نهایت روش کدهای باینری می باشد. از نتایج تحقیق حاضر می توان با استفاده از روش صحیح طبقه‌بندی، نقشه کاربری اراضی را با دقت بالاتری استخراج نمود.

Comparison of different classification algorithms in satellite imagery to produce land use maps (Case study: Noor city)

Land use mapping is one of the key factors in studies of environment and natural resources management. Mapping land use is often one of the most expensive parts of natural resources and environmental projects. Satellite data is one of the fastest and most costeffective methods for mapping land use that is available for researchers. In recent years, researchers from the different methods of land use maps have been produced using this data. There is the different method to classify the images. Each method has advantages and disadvantages. The aim of this research is to determine the best images nine supervised classification methods to extract land use map of the Noor city by ETM+ sensor. The results showed that the SVM classification by 0.9503 factor kappa coefficient and 90.94% overall accuracy is better than other methods. The accuracy of the order of priority 9 that  is, SVM, Neural network, Mahalanobis distance, Maximum likelihood, Minimum distance from the mean, Spectral angle mapper, Spectral information divergence, parallel piped  and  binary code. All the research results of this study can be using the correct classification. Land use maps can be extracted with higher accuracy.